基于数字孪生的压铸过程监控和产品质量预测*

杜 宇,柴文杰,刘 冬

(1.大连交通大学机械工程学院,大连 116028;2.大连理工大学机械工程学院,大连 116024)

0 引言

压铸制造业存在智能化程度低、无法对压铸过程进行有效监控、生产过程中积累的大量数据无法有效利用等问题,严重限制压铸制造业转向智能制造。数字孪生作为制造业智能技术[1-2],对实现压铸制造实时监控和精细化质量控制预测,提高生产智能化水平、压铸效率和质量具有重要意义。

近年来,针对制造车间生产过程的数字孪生建模、大数据分析和仿真预测等方面开展了大量研究,取得了许多研究成果。QI、TAO等[3-4]首先探索提出数字孪生车间概念,从根本上阐述了数字孪生车间的系统组成部分、运行方式、运行机制和关键技术和特点,奠定了理论基础;吴鹏兴等[5]搭建了离散数字孪生制造车间的可视化实时监控方案,提出基于数据和事件驱动的虚实映射方法;WANG等[6]提出将智能制造和深度学习方法结合,讨论了它们在制造业“智能化”方面的应用;NEGRI等[7]提出一种将制造执行系统和仿真模型集成的方法,实现建模与MES软件实现集成,完成数据双边通信;张佳朋等[8]先分析了航天器装配流程,并进行数字孪生高保真建模和基于流程的数据管理,最后利用灰度关联方法实现装配过程质量预测。

综上所述,尽管在制造领域已有许多建模和数据分析的研究,但在压铸制造领域,仍然缺乏基于数字孪生技术的生产过程监控与预测方法。因此,本文提出了一种数字孪生和数据驱动的压铸过程监控和质量预测结构体系,该结构体系旨在针对压铸车间建立数字孪生系统,并采用Stacking集成学习方法来预测压铸件的质量。最后,通过实际案例验证了这种方法的可行性。

1 数字孪生压铸监控和质量预测总体架构

数字孪生和数据驱动的过程监控和质量预测体系结构由物理基础层、信息处理层、虚拟模型层和应用层组成[9],系统框架如图1所示。该框架实现了铝合金压铸生产过程的数字孪生建模、协同仿真、状态监测和质量预测。

(1)物理基础层。物理层是整个系统的基础,其他层级都是基于物理层进行搭建的。这包括各种设备如压铸机、切边机、转运机械臂、工业机器人、冷却槽,以及数据采集设备如PLC、传感器、智能网关等。智能压铸生产单元能够采集和记录数据,其中设备数据和工艺参数是实现数字孪生过程监控和质量预测的基础。

(2)信息处理层。信息处理层在系统中扮演着关键的连接角色,包括4个主要功能:数据采集、数据存储、数据传输和数据处理。这一层使用数据通信协议从不同设备中收集各种数据,包括设备运行情况、状态、传感器信息和工艺参数,然后将这些数据上传至服务器。这些数据可以大致分为两种类型:①用于控制虚拟车间协同仿真的信号数据,②通过数据预处理后,使用数据挖掘技术来预测产品质量所需的生产参数数据。

(3)虚拟模型层。该层是对上述信息处理层数据的映射,主要包括各设备的数字模型、几何模型和数字工艺信息。虚拟层首先通过内部驱动程序和虚拟信号节点进行内部仿真,然后利用实时数据,将真实和虚拟信号进行对应。这基于高度逼真的数字孪生模型,实现了物理车间和虚拟车间的协同仿真,以还原各种车间生产过程。

(4)应用层。通过应用层和系统的数据交互,采用OPC UA协议来完成数据采集、传输、映射和可视化,完成数字孪生与物理制造单元的互联和信息交互,实现了对压铸过程可视化监控,同时在三维模型上显示设备运行状态、工艺参数,实现了全要素全流程数据可视化。并利用工艺参数、设备状态参数和传感器参数,输入本文提出的一种质量预测方法,实现压铸产品质量预测。

2 过程监控与质量预测分析

2.1 压铸单元概述

压铸制造是将液态金属按照不同需求以特定参数充填至压铸模具型腔内,并在高压下成型的一种铸造方法。它的加工过程是在压铸机安全门关闭后,合模油缸前进进行合模,把高温铝料倒入料筒的倒料口,压射油缸前进将铝料压射到模具里,并在模具保持一定压力,产品在模具内冷却并凝固,合模油缸后退进行开模,接着顶出板前进把产品从动模顶出,取出产品,最后经过切边机切边得到最终产品。从整体上看,整个过程可分为合模、压射、锁模、冷却凝固、开模、顶出产品等流程。其中压射、锁模和冷却过程及其中间所产生的各种参数是决定压铸产品质量的关键因素。

2.2 压铸过程数字孪生建模与控制

孪生模型是整个系统的重要组成部分,建立高保真的虚拟模型,实现对真实压铸单元的准确映射。首先使用UG三维建模软件建立了压铸制造单元所有生产要素的参数化三维模型,并在3dsMax中实现模型简化处理,将关键结构保留,删除不涉及关键步骤的结构线条,后导入到数字孪生平台中,按照物理现场场景进行虚拟车间搭建。利用父子层级技术,结合实际制造单元的父子节点关系,建立父子节点层级结构的虚拟车间。这种结构保证了模型的后续扩展以及驱动行为的实现。虚实同步技术框架如图2所示。

图2 虚实同步技术框架

(1)数字孪生建模流程。压铸制造过程中的数字孪生模型是孪生单元的基础,也是对真实物理车间的虚拟映射,这个映射包括设备本身、车间环境和压铸单元运行逻辑。利用数字孪生建模技术,真实压铸制造单元中各种资源设备被映射到虚拟空间中。数字孪生建模主要包括两个流程,分别是软件层面流程和参数化建模流程。

①软件层面流程。利用UG建模软件、3dsMax软件和Visual Components平台(VC)建立数字孪生体,并搭建压铸单元数字孪生系统,如图3所示。

图3 软件层面流程

UG建模软件在汽车行业应用广泛,通过同步建模和混合建模可以快速建立起车间的基本模型。

3dsMax在实际建模精度方面表现一般,但是在轻量化处理、确定结构关系、模型运行关节设计等方面具有很好的效果。

Visual Components是一款专业针对工业仿真运行的软件,其拥有丰富的数据通信接口,可以应对工厂复杂多样的设备,并且可以在设计不同虚拟模型和模型之间的交互关系。

②参数化建模流程。参数化建模主要包括孪生模型构建、模型运行逻辑构建和压铸单元整体行为构建,具体为:

孪生模型构建。首先确定压铸单元中设备、人员和环境的具体内容,进行数字建模,接着导入3dsMax中进行轻量化处理,并确定模型结构关系,最后导入Visual Components中设定模型的特征、属性和行为,定义模型子部件的运动关节,设定好根部件和子部件的父子关系。

模型运行逻辑构建。数字孪生的核心是实现模型与现实的虚实映射,在Visual Components中将为模型的运行关节添加伺服控制器和信号接口,并编写驱动程序,例如实现压铸机的开模合模、切边机切刀的上下移动和机械臂的移动等行为。信号接口和驱动程序是实现虚实同步的基础。

压铸单元整体行为构建。将上述模型按照真实车间布局搭建虚拟数字孪生压铸单元,实现模型和位置的高保真还原,划定生产过程的运行规则和逻辑,完成车间整体布局和内部仿真。

(2)孪生三维模型构建。通过建立1∶1还原的高保真三维模型来实现,车间人员可以直观得监控压铸过程实时的生产状态和运行情况。如图4所示,通过层级关系将压铸单元的生产要素进行分类,根据压铸单元的实际情况,将模型划分为生产模型、辅助模型和环境模型。其中生产模型包括压铸机、切边设备、喷淋机械臂等,辅助模型包括转运机械臂、传送带、冷却槽和水塔、仓储箱等,环境模型包括人员、检验台、围栏、显示器等。

图4 压铸制造单元模型

压铸机、切边设备、两个机械臂是压铸单元的主要设备,在压铸过程中,压铸机生成工件,机械臂负责转运工件和喷淋脱模剂,切边设备负责修去工件毛边,建模过程为:

(1)压铸机建模。首先在VC中导入经过轻量化的压铸机模型,设置模型的属性和行为。首先定义两个子部件,包括压射推杆和动模模具,这两个子部件需要进行平行移动,然后设置伺服控制器和信号接口,信号接口的作用是接受来自于数据库的布尔信号,并在python程序中将两个运动组件挂载到伺服控制器上,定义移动范围和移动信号,实现关节的移动,完成整个压铸机的建模,具体如图5所示,包括模型、python程序和行为设置。

图5 压铸机建模 图6 切边设备建模

(2)切边设备建模。切边设备建模主要步骤和压铸机相同,不同的是切边设备需要定义3个运动子部件,其中一个子部件在模型内部,如图6所示。

(3)机械臂建模。转运机械臂和喷淋机械臂模型相同,因此本文只对其中一个进行详细说明。因为数字孪生平台内部有模板模型,所以利用模板机械臂进行新机械臂的建模。首先导入经过处理的CAD模型,修改模型坐标系,将模板机械臂的几何外观替代成导入的机械臂几何外观,最后更新机械臂的结构和运动学参数,建模流程如图7所示。

(4)压铸单元整体运行逻辑构建。整体运行逻辑构建包含两个方面,①车间运行行为分析,②数字孪生内部仿真调试。整个压铸单元包括一台压铸机、一台切边设备、两台机械臂、传送带、冷却槽和检测台组成,如图8所示。其中压铸机负责生产工件,是单元的基础。当生产过程开始时,压铸机合模,等压射锤头前进生成工件后,压铸机开模。转运机械臂从初始状态开始移动从模具中取出工件,接着移动至机台边扫码计件,抓取零件至冷却槽降温。在得到扫码信号后,喷淋机械臂从初始位置移动到模具中间进行喷洒脱模剂并冷却模具,完成动作后回到初始位置,等待下一次扫码信号。等待喷淋机械臂回到初始位置,压铸机合模。工件降温完成后,转运机械臂移动将工件放置于工件中转台,紧接着从切边机取出上一个切边完成的工件放置于传送带,然后返回将中转台的工件取出放置于切边机,切边设备刀具模块下降对工件进行去毛边。转运机械臂回到初始位置,等待压铸机开模。完成一个循环。其中压铸机和切边机为辅,压铸单元主要的行为动作由两个机械臂完成。

图8 压铸单元整体行为构建

如图8所示,除去压铸机和切边机的两个固定动作,两台机械臂一共可以分为5个动作。对于转运机械臂,动作1为从模具取件到扫码处,动作2为机械臂抓件水冷降温并将工件放置中转台,动作3为机械从切边机取件至传送带,动作4为从中转台取件至切边机,然后返回初始位置。对于喷淋机械臂,动作5为从初始位置至模具中间,进行上下喷扫,然后返回初始位置。将这些动作进行封装,通过一个信号变量进行驱动,完成内部仿真。

除去压铸机和切边机的两个固定动作,两台机械臂一共可以分为5个动作。对于转运机械臂,动作1为从模具取件到扫码处,动作2为机械臂抓件水冷降温并将工件放置中转台,动作3为机械从切边机取件至传送带,动作4为从中转台取件至切边机,然后返回初始位置。对于喷淋机械臂,动作5为从初始位置至模具中间,进行上下喷扫,然后返回初始位置。将这些动作进行封装,通过一个信号变量进行驱动,完成内部仿真。

通过对压铸单元整体行为的分析,将生产过程分解,实现内部仿真调试,可以为后面与真实车间的虚实同步提供指导。

2.3 压铸件产品质量影响指标

压铸过程是一个具有周期性、多参数性、非线性和多步骤性的生产过程。压铸件质量评判标准一般分为外观和结构性能,外观包括表面缺肉多肉、划痕、飞边、粘料、料饼厚度变形等;结构性能包括抗拉抗弯强度、尺寸等。根据车间加工实践和工人经验,选择料饼厚度作为压铸件产品的质量指标。主要原因是料饼厚度对压铸产品有很大影响,具体为:①厚度过薄时料饼中无高温和流动性较好的铝液,无法向型腔传递压力,容易造成产品缩孔、欠铸等缺陷;而厚度过厚时会有浪费原材料、料饼容易爆炸开裂,以及造成产品缺肉等问题;②料饼厚度能很好反应压铸过程的稳定性;③厚度容易测量且具有普适性。所以选择料饼厚度作为质量评价指标,确保其在合理的范围之内。

3 基于孪生数据的Stacking集成学习的质量预测方法

本文提出一种基于Stacking集成的质量预测方法。Stacking集成的方法是首先建立多个不同类型的基学习器,初始数据集作为输入训练得到每个基学习器的初级预测结果,然后将初级预测结果合并组成一个新的次级数据集,输入构建的一个元学习器,输出最终的预测结果[10]。

3.1 预测模型

对Stacking集成的方法是首先建立多个不同类型的基学习器,初始数据集作为输入训练得到每个基学习器的初级预测结果,然后将初级预测结果合并组成一个新的次级数据集,输入构建的一个元学习器,输出最终的预测结果。Stacking集成预测模型的框架如图9所示。

图9 Stacking集成学习的质量预测方法

3.2 方法描述

本文通过上述Stacking方法集成不同类型的模型来提升整体预测性能,利用采集到的参数数据对压铸件进行质量预测。以压铸过程中采集的工艺数据X=(x1,x2,…,xn)作为输入参数,然后预测压铸件的质量指标Y。

整个方法主要有以下5个步骤:

步骤1:数据预处理。鉴于数据中可能存在缺失值、异常值和不相关的特征,我们首先对数据进行预处理。我们使用随机森林缺失值填充法来填补缺失值,采用专门的修改和调整来处理异常值,同时删除明显有问题的数据。还有,我们直接删除了由于重复的压铸工艺导致的重复数据。此外,无效的特征,如机器标识machineId和循环时间loopTime等,也被移除;

步骤2:关键特征选择。这一方法涉及计算特征与质量指标之间的距离相关系数。当这一系数较小时,我们将认为该特征对质量影响不大,然后将其从数据中移除。这样做有助于减少数据的维度,同时确保保留的特征对模型的性能提升有积极作用;

步骤3:基于时序的特征构建。数字孪生系统捕获的质量特征具有时间序列属性,因为生产设备、原材料和模具等在随时间推移中可能会发生微小变化。因此,我们采取了一种策略,将t-1时刻的质量指标作为t时刻产品的新特征。这一方法的目的是弥补数据中的信息缺失,使模型更好地考虑时间相关性,以提高预测的准确性;

步骤4:数据集划分。将数据集按照8∶2的比例划分为训练集和测试集,并按照模次时间排序,确保训练得到模型满足预测要求;

步骤5:模型评估与分析。通过测试集对模型进行评估分析,并利用网格搜索法确定最佳参数,并选择决定系数(R2)和均方根误差(RMSE)作为评估指标,计算公式为:

(1)

(2)

4 系统验证和分析

4.1 压铸过程监控

基于本文提出的压铸过程可视化监控方法,以某汽车零部件制造企业的压铸车间为试验对象。首先基于UG、3DMAX等三维建模软件压铸制造单元的几何模型(如表1所示),模型简化后并将其导入Visual Components数字孪生平台,其次在平台中设置各个虚拟组件的特征、属性、行为、数据显示看板和驱动脚本。通过虚实同步技术和MySql数据库实现真实压铸制造单元和虚拟制造单元的虚实交互。

表1 软件开发环境

(1)系统功能描述。基于数字孪生的压铸单元监控具体功能有生产信息显示、交互和虚实同步,具体内容如图10所示。

图10 数字孪生的压铸单元监控

图11 数字孪生单元和车间映射

其中生产信息显示包括压铸机状态、切边设备状态、转运机械臂状态、喷淋机械臂状态和生产参数。

交互包括监控视角切换和场景漫游。通过点击场景左下角视角切换按钮,可以快速改变监视角度,方便查看不同设备的不同状态。

虚实同步包括整体虚拟压铸单元、压铸过程监控和实时映射。通过虚实同步实现生产过程的三维可视化,并且制造过程与现实车间生产过程保持一致。压铸过程包括压铸机开模合模,机械臂转运工件、机械臂喷淋模具等。

(2)压铸数字孪生单元实现。①数字孪生单元。按照真实压铸单元进行测量和布局,在数字孪生平台搭建与现场车间完全一致的数字压铸单元,实现等比例复刻。通过监控视角切换等交互行为,实时监控压铸单元的加工状态和生产信息。②数字孪生单元。搭建好的压铸数字孪生单元可以按照工厂人员的需求去调整观察视角,可以快速切换监控不同设备的运行情况和车间的不同区域,如图12所示。

图12 多视角视图

设备状态信息和生产工艺参数都是以看板的形式置于对应模型旁边,这样可以通过数据更加直观的监控压铸单元的整体运行状况。将采集到的数据显示在看板上,工厂人员可以查看设备运行情况、生产过程和工艺参数等信息,完成了压铸制造的数据可视化。数据看板包括压铸机、切边设备、两个机械臂以及工艺参数,具体包括生产个数、运行状态、开始时间、当前工序位置等信息,其中生产个数是通过扫码装置采集的信号现,该布尔值每变化一次,就表示是生产一个工件,压铸机的工作状态通过是否合模这个信号判断,机械臂的当前位置和当前工通过graspHydroCooling和spurtOutModel等布尔变量判断。③虚实同步。虚实同步是用物理车间的数据驱动虚拟车间运行,驱动过程分为两部分,包括状态数据驱动和位姿数据驱动。首先对数字孪生模型设定属性、行为和子部件,并编写python程序,对于压铸机和切边设备利用布尔信号进行去驱动,对于机械臂则用位姿数据进行驱动。如图13所示,以转运机械臂为例,验证第3节中虚实同步技术,首先在上位机运行OPC UA服务器,接着与数据库连接交互将位姿数据信号发布出来,数字孪生平台订阅信号,将关节参数数据与虚拟机械臂组件的关节对应,驱动机械臂的同步运行。

图13 压铸数字孪生单元和真实车间映射

最后,通过数字孪生压铸单元监控方法的应用,基本实现了压铸制造的虚实交互、同步运行,以及生产数据可视化,完成了对压铸单元生产过程全要素、全流程的监控功能。

4.2 压铸质量数据数据预处理和特征工程

(1)压铸数据描述。面对压铸生产过程中大量数据无法进行有效用的问题,利用本文方法,从压铸过程监控数字孪生系统中提取到一些压铸特征参数数据,该套工艺数据共计包括18 560条数据,由压铸机工艺数据和传感器数据组成。数据集中特征维度为22维,包括升压时间(ms)、铸造压力(MPa)、浇筑时间(s)、动模温度(℃)、锁模力(MN)等。

(2)数据预处理和特征工程。

①数据预处理。分别采用拉格朗日插值法、统计方法和数据预览法对缺失值、异常值、重复值进行处理。缺失值即数据表格中每列的空缺部分,异常值即与正常数据相对较大的数据,例如在铸造压力一列,铸造压力突然从57.5降到35.6。因为压铸数据特点相近生产的工件工艺参数基本相同,所以处理重复数据占比最多。数据最终压缩到9810条,数据预处理中数据标准化是在特征工程之后进行。

②特征工程。针对压铸质量数据特点,结合铸件质量的应用场景,质量预测结果可以作为压铸工艺参数优化的参考,首先利用随机森林得到使模型达到最优的特征数量,然后利用相关性过滤选出对压铸件料饼厚度影响最大的特征因素。

利用随机森林计算特征参数的重要性。将压铸质量预测数据输入随机森林模型中,计算每个特征的均方误差得到每个特征参数的重要性分数,得到的结果如图14所示。从特征减速位置开始,按照分数从高到底的顺序增加特征,增加一个特征就计算一次均方误差,在增加完所有特征后,选择均方误差最小时的特征集合为结果。最终结果如图15所示。

图14 特征重要性分数 图15 不同特征数量的均方误差

在上图中,横坐标为特征数量,纵坐标为均方误差数值,特征数量从5开始,因为小于5时均方误差过大。由图15可知,当特征数量为15时,整个过程随机森林计算的均方误差最小,因此初步选择特征重要性分数前15个的特征,具体如表2所示。

表2 部分实验数据

由于压铸生产特点,所以压铸数据中的参数是非线性的,采用距离相关系数去准确衡量特征和质量指标之间的相关性,经过特征重要性选择后,22种特征剩余15种,对15种特征计算与料饼厚度之间的距离相关系数结果如表3所示。

表3 各特征与料饼厚度之间的距离相关系数

由上表可知,压铸数据中有两个决定性影响因素减速位置和升压时间,其他特征的相关性均一般,将相关性小于0.05的特征剔除,并结合现场工人师傅经验,最终的特征选择具体如表4所示。

表4 最终选择的特征

根据基于时间的序列分析,将t-2时刻的料饼厚度作为t时刻铸件的一个新特征以弥补信息缺失,在添加新特征后,并经过数据预处理。

对数据集进行标准化处理,最终得到的部分数据如表5所示。

表5 部分标准化后最终训练数据

4.3 压铸产品质量预测结果分析

面对大量无法有效利用的压铸生产过程数据,本文采用了一种方法,从数字孪生系统中提取了一组压铸特征参数数据。经过数据预处理等步骤,我们得到了一个包含18 560条数据的工艺数据集,由压铸机工艺数据和传感器数据组成。这个数据集包括23个特征维度,其中包括升压时间(ms)、铸造压力(MPa)、浇筑时间(s)、动模温度(℃)、锁模力(MN)以及t-1时刻的料饼厚度(mm)等等。部分实验数据如表1所示,其中第一列代表加工顺序的模次号,最后一列是压铸产品的质量指标,即料饼厚度,而其余列则为工艺参数数据。料饼厚度对压铸产品有很大影响,厚度过薄时料饼中无高温和流动性较好的铝液,无法向型腔传递压力,容易造成产品缩孔、欠铸等缺陷;而厚度过厚时会有浪费原材料、料饼容易爆炸开裂,以及造成产品缺肉等问题。所以选择料饼厚度作为质量评价指标,确保其在合理的范围之内。

对各个学习器进行分别实验以使每个模型得到最优超参数组合,结合交叉验证法和网格调参方法确定最优参数。将所提模型与XGBoost、LGBM和TabNet模型进行对比,以判断所提模型的性能,验证方法有效性。所提模型及其他3种模型的预测值及预测误差如表6所示。

表6 4种方法质量预测对比表

Stacking集成的方法是首先建立多个不同类型的基学习器,初始数据集作为输入训练得到每个基学习器的初级预测结果,然后将初级预测结果合并组成一个新的次级数据集,输入构建的一个元学习器,输出最终的预测结果。

文中模型和以上3种模型的预测结果值与真实值折线图如图16所示,预测值和真实值的绝对误差折线图如图17所示。可以看出,圆形标记线大部分在三角标记线附近,以及实际值与预测值的绝对误差大多在±2 mm之间,所提出的Stacking集成模型的绝对误差小于其他3个单一模型,这也说明集成模型预测效果更加稳健。

(a) LGBM (b) XGBoost

图17 4种方法质量预测残差图

为进一步对比分析各方法的预测效果,本文采用决定系数(R2)和均方根误差(RMSE)对本方法在压铸质量预测场景中的效果进行评估,由表7可知,Stacking集成预测方法的R2较XGBoost模型提高了5.2%,较LGBM提高了12.7%,较TabNet提高了8.1%,RMSE较上述3者分别降低了7.7%、22.6%、9.2%,提出的预测方法具有良好的预测性能。

表7 4种模型的R2和RMSE对比

在应用所提出的预测方法之前,对于压铸质量问题,只有在压铸完成后通过手动检查才能筛选出性能指标合格的铸件,不合格的铸件应进行修理或报废。应用所提出的预测方法后,在压铸工艺阶段,可以根据现场收集的特征数据预测最终的压铸质量。当预测结果不符合性能指标时,我们可以提前干预压铸过程,从而大大减少铸件维修和废料的数量。

5 结论

在智慧工厂和智能制造不断发展的背景下,本文针对压铸制造实时监控困难和大量生产数据无法有效利用等问题,提出一种基于数字孪生的压铸过程监控和产品质量预测方法,构建了其完整的体系,实现了过程监控和产品质量预测。在参数化建模、数据管理、虚实同步和数据可视化4个关键技术的基础上,建立了数字孪生系统,本文还基于孪生数据中的生产参数数据,利用机器学习数据挖掘方法,提出一种基于Stacking集成产品质量预测方法,实现了铝合金压铸件质量预测,准确率到达92.5%,压铸单元的数字孪生已应用于企业。未来将在此系统的基础上继续提高数字孪生体的规模和精度,进一步完善质量预测模型,基于孪生数据的分析发掘实现车间智能决策等方面的研究。